Począwszy od zbioru danych z lutego 2021 r. do raportu na temat użytkowania Chrome w BigQuery dodaliśmy dane eksperymentalne, które pozwalają rozróżnić popularność źródeł według rzędu wielkości: 1 tys. najlepszych źródeł, najlepsze 10 tys., najlepsze 100 tys., najlepsze 1 mln najlepszych źródeł...
Zobaczmy, jak to działa w praktyce:
SELECT
experimental.popularity.rank AS rank_magnitude,
COUNT(DISTINCT origin) AS num_origins
FROM
`chrome-ux-report.all.202102`
GROUP BY
rank_magnitude
ORDER BY
rank_magnitude
| Wiersz | rank_magnitude | num_origins |
|---|---|---|
| 1 | 1000 | 1000 |
| 2 | 10 000 | 9000 |
| 3 | 100 000 | 90 000 |
| 4 | 1 000 000 | 900 000 |
| 15 | 10 000 000 | 7 264 371 |
W przypadku globalnego zbioru danych z lutego 2021 r. mamy 5 grup. Zgodnie z oczekiwaniami w wierszu 1 widzimy, że jest 1000 punktów docelowych o wielkości 1000 – czyli 1000 najpopularniejszych punktów docelowych według naszych danych. Wiersz 2 może być zaskakujący, ponieważ wskazuje, że w zbiorze 10 000 najlepszych źródeł jest tylko 9 tys. źródeł. Dzieje się tak, ponieważ źródła w wierszu 1 również należą do zbioru 10 000 najlepszych źródeł. Aby wybrać 10 najpopularniejszych źródeł, należy w zapytaniu podać experimental.popularity.rank <= 10000.
Zbiór danych zawiera też wielkość rankingu w poszczególnych krajach. Na przykład to zapytanie zawiera listę 10 tysięcy miejsc pochodzenia, które są najpopularniejsze w Niemczech.
SELECT DISTINCT origin
FROM `chrome-ux-report.country_de.202102`
WHERE experimental.popularity.rank <= 10000
Aby poruszyć potencjał naszego nowego wskaźnika popularności, zobaczmy, jak różne segmenty popularności w internecie różnią się w odniesieniu do pierwszego wyrenderowania treści. Na potrzeby tego zapytania 1 sekundę uznajemy za szybkie działanie.
SELECT
SUM(fcp.density)/count(distinct origin)
FROM
`chrome-ux-report.all.202102`,
UNNEST(first_contentful_paint.histogram.bin) AS fcp
WHERE
fcp.start < 1000 AND experimental.popularity.rank <= 1000
W przypadku źródeł o wartości experimental.popularity.rank <= 1000 zapytanie zlicza wszystkie gęstości zbiorników histogramu dla wartości danych FCP mniejszych niż 1000 ms i dzieli je przez liczbę źródeł – innymi słowy, oblicza średniy odsetek szybkich wczytań FCP dla 1000 najpopularniejszych źródeł. W tym zapytaniu wszystkie źródła mają równą wagę, więc nie jest to idealne rozwiązanie. Zobaczmy jednak, czy wynik ma wpływ na zmianę wielkości rankingu, zmieniając klauzulę „where” w taki sposób, aby określała wartość Experiment.popularity.rank <= 10000. Robimy to dla 10 tys., 100 tys. itd.:
| Wielkość rankingu źródeł | Odsetek FCP < 1, uśredniony według źródeł |
|---|---|
| 1,000 | 53,6% |
| 10 000 | 49,6% |
| 100 000 | 45,9% |
| 1 000 000 | 43,2% |
| 10 000 000 | 39,9% |
Oznacza to, że szybsze działanie stron internetowych wiąże się z większą popularnością.
W zbiorze danych z października 2022 r. te dane zostały dodatkowo podzielone na kroki o połowie pozycji. Ponowne uruchomienie pierwszego zapytania dotyczącego tego zbioru danych pokazuje półkroki i liczbę źródeł w każdej wielkości rangi:
SELECT
experimental.popularity.rank AS rank_magnitude,
COUNT(DISTINCT origin) AS num_origins
FROM
`chrome-ux-report.all.202210`
GROUP BY
rank_magnitude
ORDER BY
rank_magnitude
| Wiersz | rank_magnitude | num_origins |
|---|---|---|
| 1 | 1000 | 1000 |
| 2 | 5000 | 4000 |
| 3 | 10 000 | 5000 |
| 4 | 50 000 | 40 000 |
| 5 | 100 000 | 50 000 |
| 6 | 500 000 | 400 000 |
| 7 | 1 000 000 | 500 000 |
| 8 | 5 000 000 | 4 000 000 |
| 9 | 10 000 000 | 5 000 000 |
| 10 | 50 000 000 | 7,637,195 |
Dowiedz się więcej o używaniu CrUX w BigQuery i zapoznaj się z Poradnikiem dotyczącym CrUX, aby zobaczyć więcej przykładowych zapytań. Jeśli chcesz, możesz udostępnić nam swoje zapytania i poinformować nas o wynikach.